通过对推特社交媒体上的三个语料库的量化分析，本文发现，情感和信息内容对推文的传播具有显著的影响，尤其是对于新闻类话题，负面情绪会增强传播效果。
Jan, 2011
本文旨在阐明病毒传播的概念，结合社交网络中内容的传播属性，通过机器学习方法初步分析预测病毒传播的影响因素。
Mar, 2012
该研究详细研究了文化和语言的独特性，特别是情感语义和情感在社交多媒体中的表现，并提出了一种基于多语言的新方法来自动发现情感构造。多语言视觉情感概念本体（MVSO）的创建是通过提出一种在社交多媒体平台上应用的类别聚类视觉检测名词和这些名词情感偏见版本的子聚类的方法来实现的，并展示了一个基于图像的预测任务以显示特定语言模型在多语言环境中的普适性。此外，该研究还发布了一个 >15.6K 跨 12 种语言的情感偏执视觉概念数据集以及对应的检测库和 >7.36M 张图像和元数据。
Aug, 2015
通过众包实验和单词嵌入，本文研究了文化对视觉情感感知的影响，并提供了一种有效的聚类框架，以探索、检索和浏览数据集中的多语言情感视觉概念，并通过基于众包的情感注释等新颖度量方法进行了评估。
Jun, 2016
本文旨在量化情感对信息传播的影响，从而了解内容情感在社交媒体上的传播如何受时间动态的影响。研究发现，在单独的内容层面上，负面信息比积极信息更容易传播，但是积极信息能够触及更多的观众。同时，针对整个对话框架，不同的时间动态可能展现出不同的情感模式。这项研究成果有助于改善在线社交媒体内容的生成与传播方针。
Jun, 2015
通过分析 Facebook 上对学术文章的回应，本研究使用一种新颖的方法来评估公众的情感反应，基于 LDA 主题模型和统计测试，研究发现性别、遗传学以及农业 / 环境科学等主题引发用户的情感反应显著不同，Facebook 上具有积极情感反应的文章更容易被广泛分享，与其他社交媒体平台的先前研究得出的结论相反。
Jan, 2020
该研究提出了一种用源语言情感词汇表、双语词汇翻译模型和目标语言嵌入模型来创建任何目标语言情感词汇表的方法，并在全球 91 种语言中评估自动生成的词汇表，结果显示其产生的结果符合单语言方法创造情感词汇表的最新技术水平，甚至在某些语言和变量方面超过人工可信度。
May, 2020
通过对美国的 Twitter 和中国的新浪微博的比较研究，本文探讨了不同社交媒体平台上用户情感（两个主要维度为情感价值和情感唤起度）之间的差异，同时也研究了其关联的内容差异，并发现来自不同文化背景的用户对情感的表达方式存在明显差异，并从语言特征上解释了这些差异。
Jan, 2024
通过情感分析比较真假新闻的语言使用，并考虑了社交媒体和在线新闻来源的虚假信息类型（宣传、谣言、点击草率和讽刺）; 我们的实验表明，虚假信息在每种类型中都具有不同的情感模式，情感在欺骗读者方面发挥了关键作用； 基于此，我们提出了一个采用情感注入的 LSTM 神经网络模型来检测假新闻。
Aug, 2019
通过对来自 10 种语言、24 个语料库的 100,000 个单词的人类评估结果，我们发现自然人类语言中存在一种普遍存在的积极偏差，并且这种偏好与词频强烈独立；通过描述语言的情感谱，我们可以比较不同语料库的差异，并利用词汇评估构建情感内容实时和离线测量工具。
Jun, 2014